論文の概要: Reliability Scores from Saliency Map Clusters for Improved Image-based
Harvest-Readiness Prediction in Cauliflower
- arxiv url: http://arxiv.org/abs/2305.15149v1
- Date: Wed, 24 May 2023 13:48:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 15:39:13.353587
- Title: Reliability Scores from Saliency Map Clusters for Improved Image-based
Harvest-Readiness Prediction in Cauliflower
- Title（参考訳）: カウリフラワーにおける画像ベースハーベスト可読性予測のためのサリエンシマップクラスタからの信頼性スコア
- Authors: Jana Kierdorf and Ribana Roscher
- Abstract要約: 我々は、解釈可能な機械学習を用いて、収穫可読性分類器の信頼性を解析する。
目に見えないデータの場合、信頼性は農家に意思決定の改善を知らせるために利用することができる。
全体の精度を88.14%に15.72%改善し、GrowliFlowerデータセットの平均クラス精度を88.52%に15.44%改善しました。
- 参考スコア（独自算出の注目度）: 3.7483027039108197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cauliflower is a hand-harvested crop that must fulfill high-quality standards
in sales making the timing of harvest important. However, accurately
determining harvest-readiness can be challenging due to the cauliflower head
being covered by its canopy. While deep learning enables automated
harvest-readiness estimation, errors can occur due to field-variability and
limited training data. In this paper, we analyze the reliability of a
harvest-readiness classifier with interpretable machine learning. By
identifying clusters of saliency maps, we derive reliability scores for each
classification result using knowledge about the domain and the image
properties. For unseen data, the reliability can be used to (i) inform farmers
to improve their decision-making and (ii) increase the model prediction
accuracy. Using RGB images of single cauliflower plants at different
developmental stages from the GrowliFlower dataset, we investigate various
saliency mapping approaches and find that they result in different quality of
reliability scores. With the most suitable interpretation tool, we adjust the
classification result and achieve a 15.72% improvement of the overall accuracy
to 88.14% and a 15.44% improvement of the average class accuracy to 88.52% for
the GrowliFlower dataset.
- Abstract（参考訳）: カウリフラワー(Cauliflower)は、収穫時期を重要視する販売の高品質な基準を満たさなければならない手作作物である。
しかし、カリフラワーの頭部が天蓋で覆われているため、正確な収量決定は困難である。
ディープラーニングは自動収穫可否推定を可能にするが、フィールド変数と限られたトレーニングデータによる誤差が発生する可能性がある。
本稿では,解釈可能な機械学習を用いて,収穫量分類器の信頼性を解析する。
塩分マップのクラスターを同定することにより,各分類結果に対する信頼性スコアを,領域と画像特性に関する知識を用いて導出する。
見えないデータの場合、信頼性は使用できます。
(i)農家に意思決定を改善するよう指示し、
(ii)モデル予測精度を向上させる。
また,GrowliFlowerデータセットと異なる発達段階における単一カリフラワー植物のRGB画像を用いて,サリエンシマッピング手法の検討を行い,信頼性スコアの質の異なる結果が得られた。
最も適切な解釈ツールを用いて、分類結果を調整し、全体の精度を88.14%に15.72%改善し、平均クラス精度を88.52%に15.44%向上させた。
関連論文リスト
- Improving the accuracy of automated labeling of specimen images datasets via a confidence-based process [9.0255922670433]
本稿では,自動ラベリング精度を大幅に向上させる手法を提案する。
初期精度の86%を生んだナイーブモデルでは,性能が向上することが実証された。
このアプローチを様々な方法で検証した後、60,000以上のハーバリウム標本の大規模なデータセットに注釈を付けました。
論文 参考訳（メタデータ） (2024-11-15T09:39:12Z) - Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing [6.65506917941232]
本研究では,アルゼンチン,ウルグアイ,ドイツにおけるダイズ,小麦,ラピセド作物の収量予測の課題に焦点をあてる。
我々の目標は、衛星画像の大規模なデータセット、追加のデータモダリティ、収量マップを用いて、これらの作物の予測モデルを開発し、説明することである。
モデル説明可能性について,入力特徴量の定量化,重要な成長段階の同定,フィールドレベルでの収量変動の解析,精度の低い予測を行う。
論文 参考訳（メタデータ） (2024-07-11T08:23:46Z) - Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models [17.65292847038642]
アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。
本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。
そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T23:53:07Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳（メタデータ） (2023-03-21T03:15:29Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Uncovering bias in the PlantVillage dataset [0.0]
PlantVillageの画像背景から8ピクセルのみを使用して機械学習モデルをトレーニングする。
このモデルはホールドアウトテストセットで49.0%の精度を達成し、ランダムな推測精度2.6%を大きく上回った。
この結果から,PlantVillageデータセットにはラベルと相関するノイズが含まれており,ディープラーニングモデルでは,このバイアスを容易に活用して予測を行うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:32:35Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。
禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。
我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
論文 参考訳（メタデータ） (2020-10-27T08:51:30Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。